人脸支付在公交乘车支付的应用分析

王志峰 南京市市民卡有限公司

人脸识别技术，最初诞生于1960 年，在上世纪90 年代末期，技术日渐成熟，开始走向商用。2008 年北京奥运会已开始规模应用人脸识别技术［1］。人脸识别在支付行业的蓬勃发展，也延伸到公共交通领域。公交乘车支付，相比于其他条件下的人脸支付有着非常大的独特性，首先是机具端小型化移动化，其次是不同城市用户数量差异较大，第三必须保证交易的快捷、稳定。本文希望结合地面公共交通行业的特殊性，来探讨人脸支付机具端在公交领域应用的选择。

一、公交人脸支付现状

2018 年6 月，广州羊城通在BRT 石牌桥站内，开启了国内首个人脸支付在公共交通行业应用的探索。2019 年1 月，金华公交刷脸乘车项目正式推出，随后全国各地也纷纷上线公交人脸支付服务。截止2020 年1 月底，全国约19 个城市正式在公交或BRT 线路推出人脸支付，还有不少城市正在调试或内部测试中。

可以发现上线城市很多，但体量都较小；绝大多数为三线或者四线城市，甚至是县城；试运行的也仅是一条或两条公交线路的几十辆车。而且几乎所有人脸支付机具，都是独立安装，并不与现有的刷卡与扫码机具兼容。

二、人脸比对方式的选择

摄像头获取到人脸后，进行一系列预处理，再对图像提取特征值。用该特征值与前期注册获得的人脸数据一一比较，获取一个相似度超过阈值且最高的那一条数据，作为最终的比对结果。

人脸比对识别的过程，可以在前端机具里脱机完成，也可以通过网络发送至后台系统在线完成[2]。脱机比对的优点是较稳定不用担心网络质量影响识别结果，但识别速度、人脸特征库容量受机具硬件平台制约；在线比对能支持较大规模的人脸特征库容量，后期性能有拓展空间，用户注册后可立即使用，缺点是受网络影响较大。还可以选择“脱机+在线”组合的方式综合两者的优点。

（一）脱机人脸比对

脱机比对人脸信息，目前最大难点的是受机具的硬件性能限制。使用当前较好的芯片平台RK3399 作为机具主控芯片，搭配2G 内存，若人脸识别时间控制在1s 以内，准确率均大于99%，使用合适的算法，能支持最大脱机人脸特征数据约3 万条。

使用脱机人脸对比的方式，初次使用时下载全量人脸数据，使用后可在每日空闲时段下载更新数据，乘客使用时，无需借助网络，直接在机具内完成人脸比对。由于脱机人脸特征库容量有限，但对网络要求不高，比较适合总用户数量不超过三万个、公交线路较少、网络覆盖与质量较一般的小型城镇。

（二）在线人脸比对

在线人脸比对就是将人脸数据，通过网络实时发送至后台服务器进行比对。根据权威人脸识别算法测试FRVT 的最新结果，在主流单核CPU 的条件下，测试中的人脸识别算法均可在容量为12，000，000 的人脸特征库内，FPIR（未注册人员认证通过率）为0.03%的条件下，达到FNIR(已注册人员认证失败率)不会超过0.15%的结果[3]，并且全部流程可在0.9 秒以内完成。据此可以认为当前计算机条件下，较大规模用户量、短时间内、高质量的完成人脸识别，对于后台计算机而言，性能不是瓶颈。而公交车载机具作为移动终端，只能依赖无线网络解决通讯，故对机具端关联较大的移动无线网络进行分析。

网络速率。目前最常用的4G 通信，全国最低平均上行速率和下行速率为7.01Mbps 和23.36Mbps，单条人脸支付交易按33KB 计算，即264Kbit，理论上4G 网络速率能够满足。

网络延时。4G 网络实际环境中约有50ms 延时。目前公交车上使用银联闪付交易时，就是使用的在线验卡方案；一笔数据量2KB 的在线银联闪付，绝大多数情况下可以在1 秒内完成。故4G 网络的延时对线人脸支付的影响较小。

网络流量。每次人脸在线比对的数据量33KB，每月每个机具平均3 千笔，每月将新增约99MB 流量。

5G 网络。2019 年是商用5G 网络的元年，它的特点就是1ms 的极低网络延时、更高密度的基站、更大的基站用户容量、极高的通讯速率，这些对在线人脸支付来说是非常有利的。但短期内，5G 通讯的流量费用高、网络密度不足，可能还不足以满足在线公交人脸支付业务。

故在线人脸比对，适用于网络覆盖度高、网络质量好、用户量极大的一二线大型城市。

（三）脱机＋在线人脸比对

脱机比对与在线比对各有利弊，可以各取所长采取：脱机＋在线比对，在线结果优先的方式。

大致流程是：机具内脱机人脸库预存三万条人脸数据，进入人脸支付流程在脱机人脸特征库中比对，同时向后台发起在线验证申请，超时时间设为1.5 秒，若1.5 秒内，未收到后台应答，以脱机人脸的比对数据结果为准，若收到，则以后台返回的结果为准。

这种方案中，脱机人脸特征库包含六部分，第一部分是前一日该线路最常用的5 千个乘客，第二部分是前一日全市范围乘坐公交线路最多的1 万5 千个乘客，第三部分是5 千个异常名单，可能是用户余额不足、欠费或证件信息过期等，第四部分是5 张司乘人员，用于考勤或管理，第五部分动态存储15分钟内所有人脸支付交易成功的数据，用于避免同一个人因车辆拥挤，多次出现在摄像头前被误扣，其余部分预留。假设网络发生异常，常用的那两万个乘客上车时，机具端也能正常识别，完成交易，乘客体验良好。

该方案会对网络质量要求可放宽，但网络流量要求较大。每个机具还有每日动态更新脱机人脸特征库的流量，三万条人脸特征库的总容量约900MB，若每日使用增减库方式更新其中10%，约90MB，每月约2.7GB 的流量。同时机具后台的性能与功能要求较高，要能处理一定并发量的人脸比对请求，需要按公交线路个性化生成多个版本的脱机人脸特征库。

该方案比较适合用户量较大、网络质量较好的大中型城市。

三、结语

人脸支付技术在公交乘车支付行业中已有小范围的使用，它既有利于乘客乘车，也有利于公交公司与通卡公司。本文根据现有的机具硬件环境、网络环境，结合公交乘车支付场景的特殊性，对公交人脸支付的应用提出了一些方案设计。新技术的应用推广，必然有着很多困难，但随着人脸识别算法能力的不断提高，云计算与5G 网络的推广与普及，相信在不久的将来，公交乘车人脸支付一定可以大放光彩。